Performance Evaluation of Different Classifier for Eye State Prediction Using EEG Signal

Sahu, Mridu; Nagwani, N. K.; Verma, Shrish; Shirke, Saransh

doi:10.7763/ijke.2015.v1.24

Cited by 13 publications

(10 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…The accuracy towards the classification changed very less and this analysis outcome shown in table [3], figure [6]. The Confusion matrix shown in figure [5] and ROC curve shown in figure [7], evaluate the classifier performance here the classifier is Instance based classifier (K*), the classification accuracy is computed and it is mapped in table [3]. CONCLUSION This is the first study to investigate the characteristics of Most Non Dominant feature from feature space they are less responsible to build the classification model, the MND set always gives concept which feature removal sufficiently reduce space and time requirement to build the classification model.…”

Section: Proposed Methodology For Mnd Setmentioning

confidence: 99%

“…The present work is performed with EEG electrode data having 16 electrodes and 14892 instances [4,5]. This uses the instance based classifier (K*), because based on statistic of data and nature of data spread over the corpus found it is best among other classifier the result of this present in literature [6,7], [28], [33], [38]. Method selects either one electrode, two electrode or three electrodes based on how much search space the corpus wants to reduce.…”

Section: Introductionmentioning

confidence: 99%

See 1 more Smart Citation

Finding Non Dominant Electrodes Placed in Electroencephalography (EEG) for Eye State Classification using Rule Mining

Sahu¹,

Nagwani²,

ShrishVerma³

2016

ijacsa

Self Cite

View full text Add to dashboard Cite

Abstract-Electroencephalography is a measure of brain activity by wave analysis; it consist number of electrodes. Finding most non-dominant electrode positions in Eye state classification is important task for classification. The proposed work is identifying which electrodes are less responsible for classification. This is a feature selection step required for optimal EEG channel selection. Feature selection is a mechanism for subset selection of input features, in this work input features are EEG Electrodes. Most Non Dominant (MND), gives irrelevant input electrodes in eye state classification and thus it, reduces computation cost. MND set creation completed using different stages. Stages includes, first extreme value removal from electroencephalogram (EEG) corpus for data cleaning purpose. Then next step is attribute selection, this is a preprocessing step because it is completed before classification step. MND set gives electrodes they are less responsible for classification and if any EEG electrode corpus wants to remove feature present in this set, then time and space required to build the classification model is (20%) less than as compare to all electrodes for the same, and accuracy of classification not very much affected. The proposed article uses different attribute evaluation algorithm with Ranker Search Method.

show abstract

Section: Proposed Methodology For Mnd Setmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Finding Non Dominant Electrodes Placed in Electroencephalography (EEG) for Eye State Classification using Rule Mining

Sahu¹,

Nagwani²,

ShrishVerma³

2016

ijacsa

Self Cite

View full text Add to dashboard Cite

show abstract

“…Además, Rsler y Suendermann [26] generan un corpus con cerca de 15, 000 muestras y someten los datos a 42 clasificadores auxiliándose de la plataforma WEKA [29]. [27,28,30,31] utilizan el mismo corpus( [26]) para aplicar otros enfoques de clasificación a los ya reportados. Fig.…”

Section: Electroencefalogramasunclassified

“…Lo que se propone en esta investigación es tratar de mejorar la precisión de clasificación de algunas técnicas reportadas en el estado del arte, específicamente se trata de mejorar la precisión de SVM en [27] y del perceptrón multi-capa utilizado en [26,31]. Además se pretende verificar la precisión de k-NN debido a que en [26,27,28,31] se reporta una precisión de clasificación variable para 1-NN al utilizar WEKA. Por otra parte se someterá al conjunto de datos a un ACP, la cual es una técnica de extracción de características basada en la varianza, después de aplicar ACP se pretende verificar si k-NN, SVM y RNA logran mejorar la precisión reportada en la literatura utilizando el conjunto de datos original.…”

Section: Método Propuestounclassified

“…El conjunto de datos final cuenta con 6, 722 casos de los ojos cerrados y 8, 254 casos de ojos abiertos. En [26,27,28,31] se reporta que la mejor precisión de clasificación es obtenida con k-NN y KStar, ambos clasificadores basados en instancias. [27] aborda el problema mediante máquinas de soporte vectorial, no obteniendo los resultados deseados, en [31] utilizan k-NN y un perceptrón multicapa para clasificar el conjunto, k-NN obtiene los mejores resultados.…”

Section: Preliminaresunclassified

See 1 more Smart Citation

Técnicas de aprendizaje automático aplicadas a electroencefalogramas

Cruz¹,

Ramírez²,

Trujillo-Romero³

2016

RCS

View full text Add to dashboard Cite

Resumen. Los electroencefalogramas(EEG) almacenan la actividad cerebral en un instante de tiempo determinado. Actualmente los EEG son utilizados en disciplinas médicas, científicas y tecnológicas. Debido a esto, lograr interpretar y clasificar de forma precisa estas señales es un problema abierto en elárea de machine learning. En esta investigación se trabaja con un conjunto de datos que representan señales de EEG, en las cuales se encuentran codificados los estados de los ojos (abiertos o cerrados). Este conjunto ha sido analizado por diversos autores, lo que se propone en esta investigación es tratar de mejorar el desempeño de los métodos ya explorados. Por lo anterior, se explora mediante una búsqueda greedy los valores de los parámetros que ofrezcan un mayor rendimiento al utilizar SVM y RNA. También se aplican técnicas de reducción mediante selección de prototipos y extracción de características al conjunto de señales. El objetivo es tratar de mejorar la estructura de los datos mediante una representación más compacta, para posteriormente comprobar si se logra mejorar el proceso de discriminación.Palabras clave: EEG, SVM, redes neuronales artificiales, extracción de características, selección de prototipos, optimización, predición del los estados de los ojos.

show abstract

Drowsiness Detection for Automotive Drivers in Real-Time

Chandana¹,

Sangeetha²

2023

Lecture Notes in Networks and Systems

View full text Add to dashboard Cite

Performance Evaluation of Different Classifier for Eye State Prediction Using EEG Signal

Cited by 13 publications

References 13 publications

Finding Non Dominant Electrodes Placed in Electroencephalography (EEG) for Eye State Classification using Rule Mining

Finding Non Dominant Electrodes Placed in Electroencephalography (EEG) for Eye State Classification using Rule Mining

Técnicas de aprendizaje automático aplicadas a electroencefalogramas

Drowsiness Detection for Automotive Drivers in Real-Time

Contact Info

Product

Resources

About